神经网络与遗传算法均是人工智能这一研究领域中非常活跃的分支,具有非常成熟的理论基础和巨大的应用潜力。何新贵院士提出的过程神经网络解决了过程输入问题,大大提高了神经网络的表达能力和实际应用价值。作为一种新型神经网络,过程神经网络在应用前景和理论研究方面都存在很大空白。作为最为常用的神经网络学习算法,BP算法具有简便易行的优点,但也存在训练精度低、速度慢、易陷入局部极值的问题,而遗传算法则恰好可以弥补这种不足,遗传算法与神经网络相结合具有相当重要的意义。本论文主要包括以下内容:首先,分别介绍了过程神经网络及进化算法的基本思想和发展情况,并着重介绍了过程神经网络与遗传算法的思想基础。分析了神经网络在复杂系统建模方面的应用价值,以及遗传算法与神经网络相结合的理论基础。其次,对较为常用的前馈过程神经网络、权函数展开的过程神经网络以及多聚合过程神经网络模型进行分析研究,并探讨了基于梯度下降和基于正交基展开的两种学习算法,针对其易陷入局部极值、训练误差大以及训练速度等方面存在的不足提出采用遗传算法作为过程神经网络的学习算法,以便利用其智能性和本质并行性解决以上问题。最后研究了遗传算法的理论基础、运算流程、基本操作和特点等内容。在此基础上分析将遗传算法应用于过程神经网络训练过程的可行性,并将其应用于过程神经网络的训练过程,使网络性能获得进一步提高。